CN111366899B - 一种基于准则切换的认知雷达反侦察波形选择方法 - Google Patents

Abstract

本发明属于雷达与探测技术领域，涉及一种基于准则切换的反侦察波形选择方法。本发明通过构建基于Kalman滤波的波形选择系统，增加波形选择准则切换功能，实现降低对抗方对认知雷达的辨识，达到隐蔽自身行为规律的反侦察目的。本发明总体方法为改进的波形选择算法，包括两个部分，第一部分实现波形选择，外界影响通过SNR的改变输入系统，经过基于卡尔曼滤波的波形选择算法，得到发射波形参数。第二部分是准则切换，当认知雷达受到对抗方有效的干扰后，有理由认为自身的行为规律已经被对抗方所学习，此时算法改变认知雷达自身行为规律，即波形选择的准则。

Description

一种基于准则切换的认知雷达反侦察波形选择方法

技术领域

本发明属于雷达与探测技术领域，涉及一种基于准则切换的认知雷达反侦察波形选择方法。

背景技术

认知雷达系统通过感知环境和目标，按照一定的方式和规则进行分析决策，最后优化自己的工作状态。其中，认知发射是认知雷达区别于传统雷达的重要特征。在不同情况下，采用认知发射技术能显著提升回波信号的质量，大幅提升系统探测性能。而自适应波形选择技术就是认知发射技术中的重要部分。

与之对应的，在现代雷达的不断发展下，雷达对抗方的辨识技术也朝着智能化发展。现代雷达对抗系统，针对参数多变的新型雷达，能够从更高维度去分析其行为规律，获得其变化特征。从而对雷达发出更加高效的干扰。

认知雷达系统为了避免被现代认知对抗方侦察侦察学习，应具备有变换自身行为规律的能力。

发明内容

本发明通过构建基于Kalman滤波的波形选择系统，增加波形选择准则切换功能，实现降低对抗方对认知雷达的辨识，达到隐蔽自身行为规律的反侦察目的。

在对抗环境中，无论是认知雷达方，还是对抗方，都不能长时间开机。因此，对抗方往往是通过有限的离线数据、线上收集数据，完成学习。对抗方并不具备充分的学习时间、学习条件。因而对抗方所学习的行为规律往往是不完备的。

因此，当认知雷达改变自身行为规律时，对抗方需要再次通过较长的时间去侦收信号，重新学习认知雷达行为规律，完成其辨识系统的更新。这对对抗方的行为辨识带来了极大的困难。

为了便于本方法的理解和应用，首先介绍对抗方对认知雷达的辨识行为和原理。

对于某一部雷达的行为识别问题，可以等价为求解该雷达自适应系统的系统响应问题。对未知系统的系统响应求解的基本方法是通过获取系统的输入与输出数据，从而分析系统的传递特性。

站在雷达对抗方的角度，获取的信息是极其不完备的。雷达在获取了环境、目标和干扰等信息后，最后的决策是由多个环节，多个因素综合产生的结果，例如雷达接收机信噪比SNR 是雷达对抗方无法获知的。因此，在这种信息不对称的情况下，无法通过输入和输出数据，求解出精确的系统响应解析形式。

尽管站在雷达对抗方的角度，无法直接获取完备的雷达自适应系统信息，但是这些信息并没有完全“丢失”，而是隐藏在输入—输出数据中。与此同时，站在雷达对抗方的角度，杂波等电磁环境信息是与雷达方相同的；目标信息是雷达对抗方自身的辐射源，或者即使不是己方辐射源，也可以通过雷达等侦察设备获取目标信息；干扰信息是雷达对抗方发射的因而可以直接获取；而雷达方的发射波形数据也可以通过侦察接受获得；因此，雷达对抗方是有条件获取完备的输入—输出数据的。所以，只要能够从样本数据中挖掘出这一输入—输出映射规律，就相当于求解出了整个自适应系统的系统响应问题。

神经网络算法是目前最适合用于从大量结构化的数据中挖掘规律的方法，所以对抗方通过构建神经网络算法模型，挖掘输入—输出样本数据中的映射关系，间接求解出雷达自适应系统的系统响应，从而完成对雷达波形选择系统的拟合，实现雷达的自适应波形行为辨识，总体算法如图1所示。

如图1所示，上半部分是雷达自适应波形选择系统，外界影响通过SNR的改变输入系统，经过基于卡尔曼滤波的波形选择算法，得到发射波形参数。下半部分是通过神经网络学习雷达波形选择系统，SNR输入由干扰和目标状态参数化输入代替，可以理解为，将外界影响与 SNR的关系模型当作一个子系统与波形选择系统形成一个总系统(红色虚线框中部分)，神经网络实际上学习拟合的是这个总系统。实验阶段的数据可以通过预先运行雷达仿真系统获得或者通过采集战场数据获得，而在实际作战中，数据的获取也可以在作战中即时获得，以雷达波形选择系统的输入输出，迭代训练算法，挖掘输入—输出的映射关系，如图2所示，使训练完成的神经网络算法模型与雷达系统具有相近的输入输出特性。

本发明的方法基于Kalman滤波，Kalman滤波是一种通过观测数据对目标状态进行估计的算法。通过状态方程和观测方程描述描述目标空间。状态方程描述目标的状态转移，以x_k表示目标k时刻的状态，x_k-1表示k-1时刻的状态，目标状态方程形式如下：

x_k＝f(x_k-1)+v_k

f(·)为状态转移函数，v_k为k时刻的状态噪声。

观测方程为：

z_k＝h(x_k)+w_k

其中z_k表示k时刻的观测向量；h(·)为状态-观测转换函数；w_k为k时刻的量测测噪声。

假设系统为线性离散时间系统，状态方程和观测方程的线性形式如下：

x(k)＝Fx(k-1)+Γv(k)

z(k)＝Hx(k)+w(k)

其中，x(k)为状态向量，F为状态转移矩阵，Γ为状态噪声输入矩阵，v(k)为系统状态噪声,其协方差矩阵为Q；z(k)为观测向量，H为测量矩阵，w(k)为测量噪声与波形参数有关，其协方差矩阵就是上一节介绍的量测噪声协方差的CRLB，表示为R(θ)。

目标状态一步预测为：

由k时刻观测获得新息过程α_k：

一步预测误差协方差为：

P_k|k-1＝FP_k-1|k-1F^T+ΓQΓ^T

卡尔曼增益K：

状态估计：

更新状态估计误差协方差矩阵：

P_k|k＝[I-KH]P_k|k-1[I-KH]^T+KR(θ)K^T

本方法主要内容为构建具有准则切换能力的波形选择系统。

本发明总体方法为基于改进的波形选择算法，包括两个部分，第一部分实现波形选择，外界影响通过SNR的改变输入系统，经过基于卡尔曼滤波的波形选择算法，得到发射波形参数。第二部分是准则切换，当认知雷达受到对抗方有效的干扰后，有理由认为自身的行为规律已经被对抗方所学习，因此通过改变自身行为规律，即自身波形选择的准则，从而达到反侦察的目的。

本发明的技术方案是：一种基于准则切换的反侦察波形选择方法，包括以下步骤：

S1、认知雷达接收回波窄带信号作为Kalman滤波器的输入，根据回波，得到脉间目标运动模型表达式，对滤波器进行初始化，初始化雷达对目标位置的观测值z₀、目标位置的观测误差方差R；

S2、进行Kalman滤波，同时记录认知雷达系统当前的SNR；

S3、在Kalman滤波过程中，根据认知雷达系统的SNR，当前判断是否被对抗方有效干扰，若自身信噪比发生剧烈抖动，SNR下降比例超过50％，则需要切换波形选择准则，进入步骤S4，否则回到步骤S2；

S4、认知雷达基于准则切换重新选择发射波形参数，所述基于准则切换的方法是：判断是否有外部控制指令，若是，则根据外部控制指令选择准则，否则根据预设的准则优先级进行切换，准则优先级为：最小均方误差准则→最小确认门限准则→信息熵准则；

S5、准则切换后，根据选择的准则计算波形参数，具体为：

a)最小均方误差准则：

求θ＝(τ,b)使得目标函数值Tr[P(θ)]最小，P(θ)表示状态估计误差协方差矩阵，Tr[·]表示求迹运算，状态估计误差协方差矩阵P(k|k)＝E[ε_k|k(θ)ε_k|k(θ)^T|z_k]，其中

表示k时刻状态估计误差，θ＝(τ,b)，τ为脉宽，b为调频斜率，x_k为状态向量，z_k为观测向量，||·||表示L2范数；

b)最小确认门限准则：

求θ＝(τ,b)使得目标函数值det[A(θ)]最小，det[·]表示求行列式运算，A(θ)表示新息过程协方差矩阵，A_k＝HP_k|k-1H^T+R(θ)，其中，H为测量矩阵，R(θ)为量测噪声协方差的克拉美劳下界，P_k|k-1＝FP_k-1|k-1F^T+ΓQΓ^T为一步预测误差协方差，其中，F为状态转移矩阵，Γ为状态噪声输入矩阵，Q为系统状态噪声的协方差矩阵；

c)信息熵准则：

求θ＝(τ,b)使得目标函数值det[P(k|k)]最小，P(k|k)表示状态估计误差协方差矩阵， det[·]表示求矩阵行列式运算；

S6、将S5中求得的θ＝(τ,b)作为输出，即为最优发射波形参数。

本发明的有益效果是：本方法将在认知雷达自适应波形选择的基础上，增加了准则切换步骤，解决了认知雷达行为规律被侦察，工作状态被干扰的问题。

附图说明

图1基于神经网络的雷达波形行为识别；

图2仿真中基于神经网络的雷达跟踪波形行为识别模型

图3基于准则切换的反侦察波形选择算法；

图4最小确认门限体积准则下对抗方脉宽辨识结果；

图5最小确认门限体积准则下对抗方调频斜率辨识结果；

图6认知雷达受到有效干扰后的信噪比变化；

图7准则切换波形选择结果；

图8准则切换下认知雷达跟踪误差；

图9信息熵(实际)-最小门限(预测)。

具体实施方式

下面结合仿真示例说明本发明方案的有效性。

(1)仿真目的

验证认知雷达在收到干扰，信噪比突然下降时，进行准则的切换，实现反对抗方行为辨识、反侦察。

(2)仿真场景设置

场景中雷达跟踪对象是一匀加速直线运动物体，初始速度40m/s，加速度恒定为2m/s2 延雷达径向方向背离雷达运动，与雷达初始距离为20km。

卡尔曼滤波的观测值为距离s和速度v，即第k时刻观测向量为：

z_k＝[s_k,v_k]^T

系统状态向量如下：

x_k＝[s_k,v_k,a_k]^T

因此观测矩阵如下：

根据匀加速直线运动物体状态方程：

得到状态转移矩阵：

其中T为采样周期。假设过程噪声方差

过程噪声输入矩阵：

Γ＝[T²/2,T,1]^T

估计误差协方差矩阵初始化为：

仿真中采用高斯包络线性调频脉冲信号，可选择的信号参数为脉宽τ和调频斜率b。脉宽选择范围为τ∈[10,300]μs，选择间隔5μs；调频斜率选择范围为 b∈[-3000,-100]∪[100,3000]MHz，选择间隔50MHz。量测误差协方差矩阵通过式(2-39)中量测噪声协方差的CRLB进行近似估计。信噪比SNR的近似计算公式为：

其中R₀为信噪比为1时的目标与雷达间的距离，仿真中取R₀＝400km。暂不考虑杂波引起的信噪比起伏，和干扰引起的信噪比突变。

认知雷达初始的波形选择准则为最小确认门限准则。在滤波过程中，对抗方对认知雷达进行发射波形参数预测，即行为规律辨识，对抗方行为辨识方法参考附录1。当对抗方能够准确进行辨识后，随机选取5个采样点发射有效干扰，使认知雷达信噪比急剧下降，衰减系数为0.1，持续5个采样点时长。在受到有效干扰后，认知雷达将波形选择准则切换为信息熵准则。

(3)仿真结果

如图4和图5所示，在经过一定时间的学习后，对抗方已经能够辨识认知雷达的行为，具有很高的预测准确率。

当对抗方能够准确预测认知雷达行为时，将能够提升对认知雷达进行干扰的效率，因此认知雷达信噪比发生剧烈抖动下降。

如图6所示，为认知雷达在进行跟踪时，受到有效干扰信噪比变化情况。

在认知雷达发现自身工作性能下降，信噪比发生剧烈抖动时，可以判定自身受到了有效干扰，自身行为规律已被对抗方侦察。因此，认知雷达改变自身行为规律，即切换波形选择准则，将原本最小确认门限体积准则切换为信息熵准则，如图7所示。

在进行了准则切换后，认知雷达跟踪性能变化如图8所示.

可以看出，虽然因为准则切换，使得跟踪误差上升，但是跟踪误差依然小于波形参数恒定时的跟踪误差，因此准则切换并不会影响认知雷达本身工作性能。

在认知雷达切换了准则后，对抗方将无法进行有效的行为辨识，对抗方的波形选择预测结果如图9所示。

从图4、5、7、8、9可以看出，基于准则切换的反侦察波形选择方法可以在受到有效干扰后，实现波形选择准则的切换，保证了自身工作的性能，使对抗方的辨识系统预测准确性大大降低，对抗方无法在短时间内完成对认知雷达新准则的学习。本方法达到了反侦察的目的。本文所述的基于准则切换的反侦察波形选择方法将干扰和目标状态作为输入，将发射波形参数作为输出，实现了自适应波形选择发射的规避了对抗方的识别。

Claims (1)

1.一种基于准则切换的反侦察波形选择方法，其特征在于，包括以下步骤：

S1、认知雷达接收回波窄带信号作为Kalman滤波器的输入，根据回波，得到脉间目标运动模型表达式，对滤波器进行初始化，初始化雷达对目标位置的观测值z₀、目标位置的观测误差方差R；

S2、进行Kalman滤波，同时记录认知雷达系统当前的SNR；

S3、判断认知雷达系统的SNR下降比例是否超过50％，若是，则进入步骤S4，否则回到步骤S2；

S4、认知雷达基于准则切换重新选择发射波形参数，所述基于准则切换的方法是：判断是否有外部控制指令，若是，则根据外部控制指令选择准则，否则根据预设的准则优先级进行切换，准则优先级为：最小均方误差准则→最小确认门限准则→信息熵准则；

S5、准则切换后，根据选择的准则计算波形参数，具体为：

a)最小均方误差准则：

求θ＝(τ,b)使得目标函数值Tr[P(θ)]最小，P(k|k)表示状态估计误差协方差矩阵，Tr[·]表示求迹运算，状态估计误差协方差矩阵P(k|k)＝E[ε_k|k(θ)ε_k|k(θ)^T|z_k]，其中

表示k时刻状态估计误差，

是k时刻状态估计，θ＝(τ,b)，τ为脉宽，b为调频斜率，x_k为状态向量，z_k为观测向量，||·||表示L2范数；

b)最小确认门限准则：

求θ＝(τ,b)使得目标函数值det[A_k]最小，det[·]表示求行列式运算，A_k表示新息过程协方差矩阵，A_k＝HP_k|k-1H^T+R(θ)，其中，H为测量矩阵，R(θ)为量测噪声协方差的克拉美劳下界，P_k|k-1＝FP_k-1|k-1F^T+ΓQΓ^T为一步预测误差协方差，其中，F为状态转移矩阵，Γ为状态噪声输入矩阵，Q为系统状态噪声的协方差矩阵；

c)信息熵准则：

求θ＝(τ,b)使得目标函数值det[P(k|k)]最小，P(k|k)表示状态估计误差协方差矩阵，det[·]表示求矩阵行列式运算；

S6、将S5中求得的θ＝(τ,b)作为输出，即为最优发射波形参数。

Images